Stable Video Diffusion (SVD)

Stable Video Diffusion (zkráceně SVD) je model umělé inteligence od firmy Stability AI, tedy od tvůrců Stable Diffusion. Zveřejnila ho podle oficiálního oznámení 21. listopadu jako takzvaný research preview, tedy výzkumnou verzi. Váhy modelu jsou ke stažení na Hugging Face a kód na GitHubu. Nejde tedy o webovou aplikaci s tlačítkem Vytvořit, ale o technický nástroj pro vývojáře a nadšence.

Model dělá jednu věc: vezme jeden statický obrázek a z něj vytvoří krátké video. Existují dvě varianty. Základní SVD generuje 14 snímků, varianta SVD-XT 25 snímků, obojí v rozlišení 576x1024. Snímkovou frekvenci lze podle oficiálních stránek nastavit v rozmezí 3 až 30 snímků za sekundu. Podle modelové karty na Hugging Face je výsledný klip dlouhý zhruba 4 sekundy nebo méně. Model má 2 miliardy parametrů.

Praktický průběh vypadá takto: dodáte výchozí obrázek a model dopočítá, jak by se scéna mohla pohnout. Text zadat nelze, model se textem ovládat nedá. Ve veřejné dokumentaci knihovny Diffusers se mluví o parametrech jako motion_bucket_id (síla pohybu) a fps. Pro spuštění repozitář uvádí Python 3.10, PyTorch 2.0 s CUDA 11.8 a ukázkové rozhraní Gradio nebo Streamlit. Komunitní zdroje uvádějí, že SVD-XT potřebuje kolem 8 až 10 GB paměti grafické karty a doporučuje se 16 GB a více. Na grafice A100 s 80 GB trvalo generování podle modelové karty asi 180 sekund.

Od alternativ se SVD liší hlavně tím, že je otevřené: můžete ho stáhnout, provozovat lokálně a data nikam neposílat. Licence je Stability AI Community License. Podle stránky o licencích je zdarma pro výzkumníky, malé firmy a tvůrce a pro organizace s ročním příjmem pod 1 milion USD; nad tuto hranici je nutná podniková licence s cenou na dotaz. Stejná pravidla platí pro odvozená díla. Modelová karta ale odkazuje na licenci stable-video-diffusion-community, takže před komerčním použitím si přečtěte její aktuální znění. Původní oznámení ze startu navíc uvádělo, že model nebyl určen pro komerční využití; to už nemusí platit, ale rozpor stojí za zmínku.

Kde to drhne: model sám o sobě uvádí několik omezení. Videa jsou krátká, nemusí být dokonale fotorealistická, někdy mají jen minimální pohyb nebo pomalý náběh kamery, nejdou řídit textem, neumí čitelný text a obličeje a lidé se nemusí vykreslit správně. Pro začátečníka je také překážkou nutnost zvládnout instalaci a mít výkonnou grafiku. Oficiální cloudové API Stable Video Stability AI ukončila k 24. červenci 2025 a doporučila nasazení modelu na vlastní infrastruktuře se Self-Hosted licencí. Návody, které na API odkazují, jsou tedy zastaralé.

Stability AI od té doby vydala i další videonástroje, například Stable Video 4D 2.0 (z jednoho videa předmětu vytváří 4D model, pod Community License) a Stable Virtual Camera (z 2D obrázků dělá videa s pohybem kamery, jen pro nekomerční výzkum). Jsou to ale jiné modely a v tomto profilu je neposuzujeme.

Čeština: model nemá textové rozhraní ani zadávání promptů, takže jazyková bariéra téměř neexistuje. Dokumentace, repozitář i modelová karta jsou ale v angličtině. Komunitní rozhraní (například pluginy do ComfyUI) jsme nezkoumali a jejich češtinu neověřujeme. Celkově je SVD dnes spíš zajímavý základ pro experimenty a stavební kámen jiných nástrojů než pohodlný nástroj pro úplného začátečníka; ten ocení spíš hotové webové generátory videa.